Transformarea datelor

Introducere în Databricks SQL

Kevin Barlow

Data Manager

Motivație

Flux Lakehouse - Ingestie

Transformarea în lakehouse

Diagramă Lakeflow - Transformare

Curățarea și transformarea datelor

Curățarea datelor din stratul Bronze (brut) în stratul Silver (pregătit pentru analiză)
Pas esențial pentru tabelele de date din aval
Activități comune
- Eliminarea valorilor NULL
- Standardizarea valorilor
- Ajustarea tipurilor de date

CREATE TABLE silver_layer AS (
SELECT DISTINCT c.id, 
    c.last_name || ', ' || c.first_name 
        AS name, 
    format(s.date,'YYYY-mm-dd') 
        AS sale_date, 
    round(s.price, 2) 
        AS sale_price
    s.item_name
FROM sales_data s
LEFT JOIN contacts c on c.id = s.id)

Agregarea datelor

Combinarea și simplificarea datelor din stratul Silver în stratul Gold (pregătit pentru BI)
Destinat unui anumit scop de business intelligence
- Candidat ideal pentru vizualizări
Activități comune
- Eliminarea coloanelor inutile
- Agregarea pe dimensiuni
- Calcularea metricilor / KPI-urilor

CREATE VIEW q3_revenue AS (
SELECT sum(revenue) AS total_rev,
  count(*) AS total_count,
  total_rev / total_count AS avg_sale,
  category,
  item
FROM silver_layer
WHERE date BETWEEN '2024-07-01' 
  AND '2024-09-30'
GROUP BY category, item)

Automatizarea sarcinilor

GIF fluxuri de lucru

Să exersăm!

Introducere în Databricks SQL